通用机器学习原子间势函数的系统性软化行为

背景：机器学习原子间势函数为大规模原子模拟提供了新方法，其中预训练的通用模型展现出巨大潜力，但其在复杂、偏离训练数据分布的环境中的泛化能力尚不明确。研究目的：本研究旨在系统评估三种代表性通用机器学习原子间势函数（M3GNet、CHGNet、MACE-MP-0）在多种原子尺度模拟任务中的外推性能，特别是对表面、缺陷、迁移能垒等高能态环境的预测准确性。结论：研究发现这些通用模型普遍存在势能面软化现象，即对能量和力的预测值系统性偏低，其根源在于预训练数据集主要采样于近平衡态构型，导致对高能区域曲率低估。然而，这种系统误差可通过少量数据的针对性微调（如线性校正）有效缓解，凸显了发展更全面采样数据集对提升下一代模型性能的重要性。